Аппаратные наборы

Развёртывание машинного обучения на реальном встраиваемом оборудовании. Платы стоят от $25, а если бюджета нет, интерактивные лабораторные работы воспроизводят весь опыт работы с оборудованием в симуляции.

Эти практические лабораторные работы сопровождают учебник Machine Learning Systems и переносят теорию на настоящее оборудование. Вы развернёте модели машинного обучения на встраиваемых устройствах, которые помещаются в ладони: от классификации изображений до распознавания голоса и обнаружения движения. Профессиональные отладочные платы стоимостью $25–100 дают мгновенную ощутимую обратную связь: когда модель работает успешно, светодиоды загораются, моторы вращаются, а зуммеры звучат.

Работа в условиях ограниченных ресурсов встраиваемых устройств (обычно 2 МБ оперативной памяти и 1 МБ флеш-памяти) заставляет сталкиваться с теми же инженерными компромиссами, которые определяют крупномасштабные ML-системы, но в осязаемой среде, где каждое решение по оптимизации сразу даёт наблюдаемый результат.

Разработка лабораторных работ. Эти практические лабораторные работы разработаны совместно проф. Vijay Janapa Reddi и Marcelo Rovai; разработкой руководил Marcelo. Его многолетний опыт в области встраиваемых систем позволил создать доступные практические занятия, которые связывают теорию с реальной реализацией.

Marcelo также написал открытые книги-компаньоны о платах Nicla Vision, XIAO и Raspberry Pi. Прямые ссылки и описания см. в разделе «Companion Books» Хаба для преподавателей.

Аппаратные платформы

• Grove Vision AI V2, ~$25. Лучший выбор для начинающих: готовое решение для компьютерного зрения «подключи и работай».
• XIAOML Kit, ~$40. Лучшее соотношение цены и возможностей: зрение, звук и движение.
• Raspberry Pi, ~$60–80. Продвинутые проекты: LLM, VLM и периферийный ИИ.
• Nicla Vision, ~$95. Профессиональный уровень и два датчика в компактном корпусе.

Что вы создадите

• Компьютерное зрение. Классификация изображений и обнаружение объектов на микроконтроллерах. Обучайте модели распознавать объекты, находить лица или классифицировать сцены, а затем запускайте их на устройствах, работающих от батареи.
• Обработка звука. Распознавание ключевых слов и голосовых команд. Создавайте детекторы слова пробуждения и простые голосовые интерфейсы, которые работают полностью на устройстве, без облака.
• Классификация движения. Распознавание активности и жестов по данным IMU. Создавайте носимые приложения, которые определяют ходьбу, бег или пользовательские жесты с помощью акселерометра и гироскопа.
• Большие языковые модели. Запускайте LLM и VLM на периферийных устройствах. Познакомьтесь с передовыми возможностями ИИ на устройстве: модели понимают и генерируют текст.

Начало работы

1. Выберите оборудование. Подберите платформу по бюджету и учебным целям. Подробное сравнение см. в разделе «Платформы».
2. Настройте среду. Установите Arduino IDE или инструменты для конкретной платформы. Пошаговые инструкции см. в руководстве по настройке среды разработки.
3. Соберите и разверните. Выполняйте лабораторные работы для выбранной платформы. Начните с раздела «Начало работы», где описаны все доступные упражнения.

Часть экосистемы MLSysBook

• Учебник — полная теория по всему стеку систем машинного обучения.
• Слайды лекций — презентации Beamer и учебные материалы для каждой главы.
• Лабораторные работы — интерактивные блокноты Marimo, которые проверяют утверждения книги.
• Аппаратные наборы — практическое развёртывание машинного обучения на реальных встраиваемых устройствах.
• Хаб для преподавателей — карты курсов, учебные программы и материалы для внедрения курса в преподавание.
• TinyTorch — постройте собственный фреймворк машинного обучения с нуля, модуль за модулем.
• MLSys·im — аналитический движок моделирования, на котором основаны количественные рисунки книги.